Модель компьютерного зрения для распознавания коры на снимке поперечного распила дерева

Целью работы является уточнение алгоритма бинаризации цифровых снимков поперечного распила круглых лесоматериалов для автоматизированной оценки доли коры, а также тестирование методики настройки его параметров. Программная реализация уточненного алгоритма и вычисления выполнены на языке Python, основные используемые функции реализованы в библиотеке OpenCV. Алгоритм бинаризации снимков, используемый при оценке доли коры, использует метод бинаризации по одинарному порогу. Настройки параметров метода выполнены для авторских снимков поперечных распилов круглых лесоматериалов. Для полученияэкспериментальных данных произведена съемка поперечного распила круглых лесоматериалов с различных ракурсов. В выборку, предназначенную для тестирования предлагаемого алгоритма и программного решения, вошли 130 снимков торцов диаметром 20 – 30 см; породы древесины – береза, ель, ольха. Съемка выполнена в зимних условиях, на заснеженном фоне при естественном освещении в отсутствие прямых солнечных лучей. Разрешение оригинальных снимков составляло 3024х4032 пикселей (72 dpi). Предложен алгоритм, который включает в себя настройку параметров метода бинаризации по одинарному порогу на основе информации о светочувствительности, уровне яркости снимка и числе экспозиции; обращение к методу выполняется дважды. Приведены эвристические зависимости для определения пороговых значений параметров метода для двух его итераций, выполняемых последовательно при отделении объекта от фона и дальнейшей сегментации коры на снимке. Приведены примеры результатов определения доли коры на снимках с неровным контуром и доминирующим фоном, с относительно ровным контуром поперечного распила на снимке, а также с частично обледенелой поверхностью распила с неровным контуром, и ссылка на репозиторий с экспериментальными снимками и программным решением, реализующим предлагаемый алгоритм. Тестирование методики настройки параметров и алгоритма с учетом различных характеристик снимка и объекта на нем показало, что решение позволяет получить удовлетворительные результаты.

1. Беляев Н.Л. Повышение точности цифрового учёта круглых лесоматериалов: дис. … канд. техн. наук. Петрозаводск: ПетрГУ, 2023. 163 с.

2. Богомолов А.А., Сухов А.С., Трубников А.В., Хитров Е.Г. Инструменты библиотеки OpenCV для выявления коры на торцевом снимке поперечного распила дерева // Современное программирование: матер. Междунар. науч.-практич. конф. Нижневартовск, 2024. С. 412–416.

3. Богомолов А.А. Репозиторий программы для автоматического определения доли коры на цифровом снимке торца поперечного распила ствола дерева. 2025. URL: https://clck.ru/3LreKK

4. Han S., Jiang X., Wu Z. An Improved YOLOv5 Algorithm for Wood Defect Detection Based on Attention // IEEE Access. 2023. Vol. 11. P. 71800–71810. DOI: 10.1109/ACCESS.2023.3293864.

5. Kim T.K., Hong J., Ryu D., Kim S., Byeon S.Y., Huh W., Kim K., Baek G.H., Kim H.S. Identifying and extracting bark key features of 42 tree species using convolutional neural networks and class activation mapping // Sci Rep. 2022. Vol. 12. Art. no. 4772. DOI: 10.1038/s41598-022-08571-9.

6. Kunickaya O., Pomiguev A., Kruchinin I., Storodubtseva T., Voronova A., Levushkin D., Borisov V., Ivanov V. Analysis of modern wood processing techniques in timber terminals // Central European Forestry Journal. 2022. Vol. 68(1). P. 51–59.

7. Robert M., Dallaire P., Giguère Ph. Tree bark re-identification using a deeplearning feature descriptor // 17th Conference on Computer and Robot Vision (CRV). 2020. P. 25–32. DOI: 10.1109/CRV50864.2020.00012

8. Wang R., Chen Y., Liang F., Wang B., Mou X., Zhang G. BPN-YOLO: A Novel Method for Wood Defect Detection Based on YOLOv7 // Forests. 2024. Vol. 15, iss. 7. Art. no. 1096. DOI: 10.3390/f15071096.